目 錄一、人工智能賦能工業(yè)仿真發(fā)展背景 1（一）工業(yè)仿真智能化升級的必要性 1（二）人工智能賦能工業(yè)仿真應(yīng)用價值初顯 2二、人工智能賦能工業(yè)仿真發(fā)展應(yīng)用現(xiàn)狀 3（一）人工智能賦能工業(yè)仿真主要應(yīng)用 4（二）人工智能賦能工業(yè)仿真國內(nèi)外現(xiàn)狀 13三、人工智能賦能工業(yè)仿真關(guān)鍵技術(shù) 17（一）AI賦能CAD 17（二）AI賦能CAE 19四、人工智能賦能工業(yè)仿真應(yīng)用實踐 27（一）軌道交通 27（二）航空航天 35（三）輕工業(yè) 40（四）汽車工業(yè) 48（五）工程建筑 56五、人工智能賦能工業(yè)仿真應(yīng)用挑戰(zhàn) 63六、建議與展望 65圖目錄圖1 AI+CAD：文本到模型 6圖2 AI+CAD：圖像到模型 6圖3 AI+CAD：多模態(tài)輸入到模型 7圖4 設(shè)計驗證流程 9圖5 使用有限元和PINN方法預(yù)測的溫度分布熱力圖對比 圖6 利用人工智能方法實現(xiàn)后處理過程中的特征識別 13圖7 斫輪·風(fēng)馳總體思路 29圖8 斫輪·風(fēng)馳大模型架構(gòu) 30圖9 斫輪·風(fēng)馳大模型技術(shù)方案 30圖10 動靜統(tǒng)一自動并行技術(shù) 31圖斫輪·風(fēng)馳大模型仿真應(yīng)用 31圖12 FuncGenFoil算法框架組建與功能示例 37圖13 FuncGenFoil算法框架操作界面示例 38圖14 AIPOD智能優(yōu)化平臺 43圖15 風(fēng)扇優(yōu)化中的關(guān)鍵設(shè)計變量 43圖16 風(fēng)扇設(shè)計優(yōu)化前后對比 44圖17 數(shù)值回歸驗證結(jié)果 50圖18 參數(shù)-數(shù)值回歸和參數(shù)+點云-點云重建 51圖19 預(yù)測仿真對比 52圖20 CAE仿真結(jié)果數(shù)據(jù)與代理模型預(yù)測結(jié)果 53圖21 自動生成CAD圖 59圖22 ChatCAD識別圖形元素 59圖23 內(nèi)容智能編輯 60表目錄表1 AIPOD風(fēng)扇優(yōu)化設(shè)計前后指標(biāo)對比 45一、人工智能賦能工業(yè)仿真發(fā)展背景（（一）工業(yè)仿真智能化升級的必要性隨著程場景時，極易入“建模難—計算繁—精度不足”的惡性循環(huán)。4.0AI技術(shù)的引入已成為突破傳統(tǒng)仿真技術(shù)瓶頸、實現(xiàn)工業(yè)（二）人工智能賦能工業(yè)仿真應(yīng)用價值初顯AURA等工CAD的SketchGraphs往需要數(shù)小時甚至數(shù)天，耗時巨大?；谌斯ぶ悄艿拇砟Ｐ蛂rgaeoeMIN）等技術(shù)的應(yīng)用，正給工業(yè)仿真帶來效率革命。例如，ANSYSSimAIAI技術(shù)，可將特定場景的仿真預(yù)測時間縮短至秒級或分鐘級。南京天洑AICFDPINN技術(shù)在保證流場預(yù)測誤差5%CFD在新能源電池?zé)崾Э胤抡娴葓鼍爸?，AI模型的加速比可達(dá)180倍，為實時監(jiān)控與安全預(yù)警提供了現(xiàn)實基礎(chǔ)。人工智能為復(fù)雜場景的建模仿真提供新方案。對于多物理場耦合（熱-（）一方面，AICAE（GNN）8%長尾”（通過AI90%二、人工智能賦能工業(yè)仿真發(fā)展應(yīng)用現(xiàn)狀使用建模仿真平臺OS-（一）人工智能賦能工業(yè)仿真主要應(yīng)用AICADCADAIAI可以基于海量數(shù)據(jù)幫助設(shè)計師CAD參數(shù)化指令。如邊界-o-D生成的PD1CAD2B-Rap3D重建和CADCAD3。1GuanY,X,MingX,etal.CAD-Coder:Text-to-CADGenerationwithChain-of-ThoughtandGeometricReward[J]. 2025.2LongX,GuoYC,LinC,etal.Wonder3D:SingleImageto3DusingCross-DomainDiffusion[J].IEEE,2023.DOI:10.1109/CVPR52733.2024.00951.3XuJ,C,ZhaoZ,etal.CAD-MLLM:UnifyingMultimodality-ConditionedCADGenerationWithMLLM[J]. 2024.1AI+CAD

來源：ZOO 2AI+CAD

來源：Wonder3D3AI+CAD

來源：CAD-MLLM數(shù)據(jù)驅(qū)動，CAD模型數(shù)據(jù)、設(shè)CADCAD動化所通過構(gòu)建知識圖譜自動抽取先前大量的產(chǎn)品設(shè)計經(jīng)驗進(jìn)行知CAD設(shè)計。，用戶定義參數(shù)后，AI3同時聯(lián)動CAD系統(tǒng)輸出可編輯版型參數(shù)，打樣周期縮短70%。AICAECAE的核心本質(zhì)是對物理場合設(shè)計空間的建模，其主要應(yīng)用場景是逆向設(shè)計與優(yōu)化和設(shè)計驗證。AI技術(shù)通過分析海CAE歷史數(shù)據(jù)，可以快速識別關(guān)鍵特征和實時仿真，在前處理、如復(fù)旦大學(xué)提出了一種強(qiáng)化學(xué)習(xí)逆設(shè)計框架并將其應(yīng)用于變工況下的變形翼型設(shè)計4，南方科技大學(xué)提出了基于合作型多智能體強(qiáng)化學(xué)習(xí)的數(shù)字微流控芯片液滴路徑規(guī)劃5。在流動控制方面，4蘇敬,孫剛,陶俊.基于深度強(qiáng)化學(xué)習(xí)的三維變形機(jī)翼反設(shè)計方法[J].空氣動力學(xué)學(xué)報,2024,000(10):14.DOI:10.7638/kqdlxxb-2024.0123.5LiangTC,ChangYC,ZhongZ,etal.DynamicAdaptationUsingDeepReinforcementLearningforDigitalMicrofluidicBiochips[J].ACMTransactionsonDesignAutomationofElectronicSystems,2024,29(2):24.DOI:10.1145/3633458.4圖4設(shè)計驗證流程

來源：中國信通院整理利AI能自動識別零件的關(guān)鍵幾何特征，輔助進(jìn)行自動化清FeatureNet6利用3DCAD24類加工特征，致力于解決計算機(jī)輔助設(shè)計6ZhangZ,JaiswalP,RaiR.FeatureNet:Machiningfeaturerecognitionbasedon3DConvolutionNeuralNetwork[J].Computer-AidedDesign,2018:S0010448518301349.DOI:10.1016/j.cad.2018.03.006.96.7%，94.21%。二是網(wǎng)格智能化生成。高質(zhì)量的網(wǎng)絡(luò)是仿真“”“”的跨礎(chǔ)上生成形狀約束下網(wǎng)格，也可以在符號距離場（SDF）、占有（Occupancy）和神經(jīng)輻射場等隱式形狀表示的數(shù)據(jù)上生成形狀約束下的網(wǎng)格，如PONQ7和Pixel2mesh8TransformerMeshGPT9和MeshAnything10直練全連接網(wǎng)絡(luò)模型實現(xiàn)在設(shè)計空間中快速探索并找到最優(yōu)葉片形狀A(yù)ltairromAI7MaruaniN,OvsjanikovM,AlliezP,etal.PoNQ:aNeuralQEM-basedMeshRepresentation[J].IEEE,2024.DOI:10.1109/CVPR52733.2024.00350.8N,ZhangY,LiZ,etal.Pixel2Mesh:3DMeshModelGenerationviaImageGuidedDeformation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2020,PP(99):1-1.DOI:10.1109/TPAMI.2020.2984232..9SiddiquiY,AlliegroA,ArtemovA,etal.MeshGPT:GeneratingTriangleMesheswithDecoder-OnlyTransformers[J].IEEE,2023.DOI:10.1109/CVPR52733.2024.01855.10ChenY,HeT,HuangD,etal.MeshAnything:Artist-CreatedMeshGenerationwithAutoregressiveTransformers[J].2024.11ZhangT,DeyB,VeeraraghavanK,etal.DemystifyingtheDataNeedofML-surrogatesforCFDSimulations[J]. 2022.DOI:10.48550/arXiv.2205.08355.6802034三是AI特別是強(qiáng)化學(xué)習(xí)與代理模型技術(shù)能夠高效探索廣闊的設(shè)計空間，實現(xiàn)多目標(biāo)下的參數(shù)尋優(yōu)。如GuillaumeCoulaud12等人提出的在氣體擴(kuò)散層（GDL）PINNs方法替5。來源：https://inria.hal.science/hal-04225990圖5使用有限元和PINN方法預(yù)測的溫度分布熱力圖對比12QIS,SARRISCD.Physics-informedneuralnetworksformultiphysicssimulations:applicationtocoupledelectromagnetic-thermalmodeling[C]//2023IEEE/MTT-SInternationalMicrowaveSymposium(IMS).SanDiego,CA,USA:IEEE,2023:166-169.DOI:10.1109/IMS37964.2023.10188015.種亞音速抖振流（周期性、準(zhǔn)周期性和混沌性）識別13，如圖6。場耦合分析挑戰(zhàn)以及因計算資源限制導(dǎo)致的數(shù)據(jù)稀疏或分辨率不足MeisamBabanezhad等14AIAI技術(shù)能夠可視化AI模型在進(jìn)行預(yù)測時所關(guān)注的輸入數(shù)據(jù)區(qū)域或特征，幫助工程師驗證AI的判斷是否符合物理直覺和工程經(jīng)驗。例如，新加坡國立大學(xué)15通過整合計算流體動力學(xué)模擬（CFD）CFD模擬用于分析降雨對風(fēng)力渦輪機(jī)氣動性能的影響，XAI13S,LeeMW,BastosKMK,etal.Featureidentificationincomplexfluidflowsbyconvolutionalneuralnetworks[J].Theoretical&AppliedMechanicsLetters,2023(006):013.DOI:10.1016/j.taml.2023.100482.14BabanezhadM,NakhjiriAT,MarjaniA,etal.Patternrecognitionofthefluidflowina3DdomainbycombinationofLatticeBoltzmannandANFISmethods[J].ScientificReports,2020,10(1):15908.DOI:10.1038/s41598-020-72926-3.15MehdizadehA.AnXAIFrameworkforPredictingWindTurbinePowerunderRainyConditionsDevelopedUsingCFDSimulations[J].Atmosphere,2024,15.DOI:10.3390/atmos15080929.來源：FeatureIdentificationinComplexFluidFlowsbyConvolutionalNeuralNetworks圖6利用人工智能方法實現(xiàn)后處理過程中的特征識別（二）人工智能賦能工業(yè)仿真國內(nèi)外現(xiàn)狀A(yù)ICADAI+CAD”。AutodeskPTCDassaultSystèmesSiemensAICAD解決方案。DassaultSystèmes通過其3DEXPERIENCE平臺及AURA提供AIPLMieens在oidde中引入ICADDeepSeekCAD-MLLMCAD生成。CAD環(huán)境內(nèi)即可調(diào)用Iuoek將enerteesgn模塊內(nèi)嵌于uon360Inventor軟件中，PTCCreoGenerativeDesignCreoAIstructure，基于“數(shù)據(jù)-力學(xué)-知識”協(xié)同學(xué)習(xí)AI技術(shù)開發(fā)有效嵌入現(xiàn)有工作流程并與10大DeepCAD利用asfrr從操作序列生成Dktcrah16使用N和TransformerCAD基于規(guī)則和物理的小模型可以快速執(zhí)行基于明確物理定律或幾何約束的SolidEdge2024AI裝配關(guān)系預(yù)測能自動預(yù)測并推薦有效的裝CrownCAD平臺通過小模型實現(xiàn)自動CADAICAD分析驗證到制造規(guī)劃的整個產(chǎn)品生命周期。一是生成式設(shè)計。以16SeffA,OvadiaY,ZhouW,etal.SketchGraphs:ALarge-ScaleDatasetforModelingRelationalGeometryinComputer-AidedDesign[J].2020.DOI:10.48550/arXiv.2007.08506.AutodeskGenerativeDesignPTCCreoGenerativeDesign為代表的AICAD標(biāo)準(zhǔn)件或優(yōu)化供應(yīng)鏈選擇，如DassaultSystèmes3DEXPERIENCEAICAEAnsys2025R1版本引入SimAIGPU加速求解器實現(xiàn)計算性能的Simcenter平臺17，通過內(nèi)置的AIAI15分鐘，實現(xiàn)了AI驅(qū)動的設(shè)計望軟件等國內(nèi)先鋒企業(yè)與研究團(tuán)隊，聚焦開發(fā)具有自主知識產(chǎn)權(quán)的AICAEAI仿真工具以及面向特定工業(yè)17SIEMENS.UnleashinnovationwithAI/MLandSimcenter[EB/OL].(2023-09-26)[2024-07-20]./en-US/simcenter/ai-ml-innovation/.場景的AIAICFDCFD軟“CAD-CAE一體CAEAIAltair借助AltairphysicsAIAltairSimLab中執(zhí)行熱分析，提高實驗設(shè)計(DOE)效率。AI科技公司則側(cè)重于研發(fā)獨立的AICAENVIDIASimNet物理信息AdamAICAE個層面。一是SimAINVIDIA合作AI代理模型工科電子產(chǎn)品散熱難題19，實現(xiàn)了對多個組件和復(fù)三是AI驅(qū)動的設(shè)CAEAI能夠自動生成數(shù)百種滿足特定美學(xué)和輕量化要求的輪轂概念設(shè)計并進(jìn)行優(yōu)化設(shè)計20。三、人工智能賦能工業(yè)仿真關(guān)鍵技術(shù)（一）AI賦能CAD人工智能賦能計算機(jī)輔助設(shè)計依據(jù)其應(yīng)用場景不同主要包括智18QinY,MaC,MeiL,etal.Thepredictionofresidualstressofweldingprocessbasedondeepneuralnetwork[J].MaterialsCommunications,2024,39.DOI:10.1016/j.mtcomm.2024.108595.19NVIDIA.AI-poweredsimulationtoolsforsurrogatemodelingengineeringworkflowswithSiml.aiandNVIDIAPhysicsNeMo[EB/OL].(2024-03-20)[2024-07-20].https://developer.nv/blog/ai-powered-simulation-tools-for-surrogate-modeling-engineering-workflows-with-siml-ai-and-nvidia-physicsnemo/.20S,LeeS,KimS,etal.IntegratingdeeplearningintoCAD/CAEsystem:generativedesignandevaluationof3Dconceptualwheel[J].StructuralandMultidisciplinaryOptimization,2021(4).DOI:10.1007/S00158-021-02953-9.21二是用汽車使用Fusion36015040%技術(shù)，利用AI實現(xiàn)多物理場耦合仿真，并根據(jù)仿真結(jié)果進(jìn)行實時優(yōu)AI可以預(yù)測建筑物在不同環(huán)境條件下的性能，通過模擬不同的21DangP,ZhuJ,DangC,etal.Semantic-drivenParametric3DGeographicSceneModeling:IntegratingKnowledgeGraphsandLargeLanguageModels[J].EnvironmentalModellingandSoftware[2025-09-26].DOI:10.1016/j.envsoft.2025.106399.22JangS,KangN.GenerativeDesignbyReinforcementLearning:MaximizingDiversityofTopologyOptimizedDesigns.[J].2020.23。AI的作用不僅限于設(shè)計優(yōu)化，還包括設(shè)計驗證和錯誤檢測，AI可以檢測出利用PDFCAD（CAD（二）AI賦能CAE數(shù)據(jù)驅(qū)動的智能仿真方法23QinS,FeiY,LiaoW,etal.Leveragingdata-drivenartificialintelligenceinoptimizationdesignforbuildingstructures:Areview[J].EngineeringStructures,2025,341.DOI:10.1016/j.engstruct.2025.120810.流體仿真領(lǐng)域，代理模型主要依賴于卷積神經(jīng)網(wǎng)絡(luò)（CNNs）對歐拉網(wǎng)格數(shù)據(jù)的強(qiáng)大特征提取能力，以及圖神經(jīng)網(wǎng)絡(luò)（GNNs）在處RANS方1s0.66%241.2968s0.62%25。100-200PDE解算子，DeepONet方法利用分支-主干網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)Transformer架構(gòu)捕捉多參數(shù)間的長距離依賴。通過對大量仿真方法（如有限元、邊界元等）結(jié)果的學(xué)習(xí)，AI模型24曹曉峰,李鴻巖,郭承鵬,等.基于深度學(xué)習(xí)的二維翼型流場重構(gòu)技術(shù)研究[J].航空科學(xué)技術(shù),2022,33(7):7.DOI:10.19452/j.issn1007-5453.2022.07.012.25CaoXetal.ResearchonfastCFDsimulationofautomobileflowfieldbasedonartificialintelligence[J].JournalofPhysics:ConferenceSeries,2023,2441:012011.DOI:10.1088/1742-6596/2441/1/012011.集團(tuán)將AI代理模型成功應(yīng)用于車輪輪輞的設(shè)計流程，實現(xiàn)在幾秒內(nèi)99%。26。GNNGNN和不可壓縮光譜粒子流體動力學(xué)耦合方法相結(jié)合實現(xiàn)了波浪與結(jié)構(gòu)物27。真方法。在天線設(shè)計、電磁兼容性（EMC）分析等需要進(jìn)行大量參數(shù)掃描的場景，AI代理模型能夠?qū)W習(xí)從設(shè)計參數(shù)到電磁響應(yīng)的復(fù)雜“MindSporeElec26錢志浩,丁陳森,許靈辰,等.一種高效高精度小樣本的流固耦合代理模型[J].力學(xué)學(xué)報,2025(4).27Zhang,Ningbo,etal."AGNNSupportedISPHMethodforNumericalSimulationofWaveInteractionwithFixedStructures."Paperpresentedatthe34thInternationalOceanandPolarEngineeringConference,Rhodes,Greece,June2024.業(yè)軟件CST的相對誤差僅在1.02%28。29二是30三是U-net31。物理驅(qū)動的智能仿真方法物理驅(qū)動的仿真方法深度融合已知的物理定律與方程來構(gòu)建模（28MINDSPORE.MindScience/MindElec/examples/data_driven/parameterization[EB/OL].(2023-06-15)[2024-07-20]./mindspore/mindscience/tree/master/MindElec/examples/data_driven/parameterization.29宋立眾,段舒雅,林濤.一種結(jié)合遺傳算法和HFSS的天線仿真與優(yōu)化方法[J].微波學(xué)報,2015(3):6.DOI:10.14183/ki.1005-6122.201503001.30ElAoudSE,AbbaouiH,BenkhaddaO,etal.DesignofaCrescentMoon-ShapedReconfigurablePatchAntennaUsingaPINDiodefor5GSub-6GHzandMultistandardelessApplications[J].ProgressinElectromagneticsResearchB,2024,109.DOI:10.2528/PIERB24092501.31張宇嬌,趙志濤,徐斌,等.基于U-net卷積神經(jīng)網(wǎng)絡(luò)的電磁場快速計算方法[J].電工技術(shù)學(xué)報,2024,39(9):2730-2742.驅(qū)動的方法實現(xiàn)使用稀疏空間點的測量值對風(fēng)電場中的尾流進(jìn)行建映風(fēng)電場尾流軌跡和功率輸出32。在氣動領(lǐng)域，對于33。（PINN）、深度能量方法（DEM）和物理信息神經(jīng)算子（PINO）等。一是物理信息神經(jīng)網(wǎng)絡(luò)，在損失函數(shù)中添加PDE殘差邊界條件項，如設(shè)定損失函數(shù)為L=ωdataLdata+ωPDELPED+ωBCLBC,其中LPED通過自動微分計算納維斯托克方32Zhang,Bowen,etal.Advancedwakemodelinginwindfarm:Aphysics-informedframeworkwithvirtualLiDARmeasurements[J].PhysicsofFluids.(2025).33IevgenMochalin,etal.Enhancementofphysics-informedneuralnetworksinapplicationstofluiddynamics[J].PhysicsofFluids.2025;37(5):057130.測3434PI-DeepONet35PINN36。（如平衡方程、本構(gòu)關(guān)系、幾何方程）及其邊界/初始條物理34上?？茖W(xué)智能研究院.AI×Science十大前沿觀察[R].上海:上?？茖W(xué)智能研究院,2023.35LuZB,ZhouYZhangYB,etal.AfastgeneralthermalsimulationmodelbasedonMulti-BranchPhysics-Informeddeepoperatorneuralnetwork[J].PhysicsofFluids,2024,36(3):037142.DOI:10.1063/5.0194245.36Guetal.Enrichedphysics-informedneuralnetworksforin-planecrackproblems:Theoryandcodes[R/OL].2022[2024-07-20].DOI:/10.48550/arXiv.2206.08750.空間系數(shù)演化規(guī)律，主要應(yīng)用在流體-（37?；谖锢眚?qū)動的電磁仿真方法主要包括物理約束損失函數(shù)和專PINN實現(xiàn)了10-238。二FEA-Net實現(xiàn)37GongZ,ChuY,YangS.Physics-informedneuralnetworksforsolving2-Dmagnetostaticfields[J].IEEETransactionsonMagnetics,2023,59(11):7002005.DOI:10.1109/TMAG.2023.3281863.38張宇嬌,孫宏達(dá),趙志濤,等.基于物理信息神經(jīng)網(wǎng)絡(luò)的電磁場計算方法[J].電工技術(shù)學(xué)報,2024,39(17):5251-5261.了力熱耦合和多相問題求解39。融合驅(qū)動的智能仿真方法融合AI修正傳統(tǒng)求解器方法實現(xiàn)AI與傳統(tǒng)求解器協(xié)同工作。將傳統(tǒng)求解器作為基礎(chǔ)計算引擎，在其關(guān)鍵環(huán)節(jié)嵌入輕量化AI模塊，形成“物理計算-AI修正”的反饋機(jī)制，在保證求解精度的同時有效提升求解效率。AI（CFD）”（如DNS或LES）訓(xùn)練AIRANSRANS計算過程中Spalart-Allmaras（RANS模型）的40RANS量大幾個數(shù)量級的LES結(jié)構(gòu)仿真領(lǐng)域，AI替代傳統(tǒng)數(shù)值方法中的計算瓶頸模塊。保仿真訓(xùn)練的AI在求解器的每次迭代中直接調(diào)用輕量級AI模型計算應(yīng)力，實現(xiàn)對原39H,GaoY,LiuY.FEA-Net:Aphysics-guideddata-drivenmodelforefficientmechanicalresponseprediction[J].ComputerMethodsinAppliedMechanicsandEngineering,2020,363:112892-.DOI:10.1016/j.cma.2020.112892.40RumseyCL,ColemanGN,L.Insearchofdata-drivenimprovementstoRANSmodelsappliedtoseparatedflows[C]//AIAA2022-0937.Reston:AIAA,2021.DOI:10.2514/6.2022-0937.SIMULIAAbaqus在模擬橡膠密封圈或生物軟組織等非線性材料時實現(xiàn)整體仿真時間AI的驅(qū)動方法可通過AI,AI個AI模型來高效模擬封裝外圍或遠(yuǎn)場的行為，以替代計算開銷巨大的吸收邊界條件。另一方面，融合AICadence在其Clarity3DSolverAI/ML四、人工智能賦能工業(yè)仿真應(yīng)用實踐（一）軌道交通案例名稱：高速動車組空氣動力學(xué)智能化仿真大模型-斫輪·風(fēng)馳案例實施單位：案例背景：軌道交通裝備已成為世界各國推動經(jīng)濟(jì)發(fā)展的戰(zhàn)略性競爭新高案例詳述：--學(xué)計算大模型，以我國高速動車組二十余年自主研發(fā)過程中積累的TB級數(shù)據(jù)為基礎(chǔ)，融合幾何信息神經(jīng)算子和傅里葉神經(jīng)算子，開展-效率CFD計算的技術(shù)路線不同，仿真大模型采用數(shù)據(jù)驅(qū)動的TB,7。來源：中車青島四方機(jī)車車輛股份有限公司圖7斫輪·風(fēng)馳總體思路8。硬件層為中車斫輪大模型平臺，涵蓋算力、MaaS來源：中車青島四方機(jī)車車輛股份有限公司圖8斫輪·風(fēng)馳大模型架構(gòu)9來源：中車青島四方機(jī)車車輛股份有限公司圖9斫輪·風(fēng)馳大模型技術(shù)方案斫輪·風(fēng)馳大模型優(yōu)化了動靜統(tǒng)一的自動并行編程范式，發(fā)展了1080%分布式代碼開發(fā)；習(xí)模型。開發(fā)了異構(gòu)多芯適配技術(shù)，全面支持昆侖XPU、海光DCU來源：中車青島四方機(jī)車車輛股份有限公司圖10動靜統(tǒng)一自動并行技術(shù)10秒內(nèi)獲取列車表面壓力、切應(yīng)力。與傳統(tǒng)仿真相比，單工況的列車5%。來源：中車青島四方機(jī)車車輛股份有限公司圖11斫輪·風(fēng)馳大模型仿真應(yīng)用創(chuàng)新情況：80%面支持昆侖XPUDCU主研發(fā)過程中積累的TB該案例開發(fā)的高易用低功耗的仿真大模型軟件已應(yīng)用于列車氣61應(yīng)用實效：AI+35014168度電，按每日1個往返，每年運行330天計算，一列8輛編組的高速動車組每年可節(jié)省11萬度電，經(jīng)濟(jì)效益顯著。賦能自主仿真軟件突破與產(chǎn)業(yè)生態(tài)重構(gòu)。斫輪·風(fēng)馳大模型具備AI+-軟件替代-（二）航空航天案例名稱：民用客機(jī)超臨界翼型函數(shù)生成和編輯模型案例實施單位：上海人工智能創(chuàng)新中心、中國商飛上海飛機(jī)設(shè)計研究院案例背景：（如貝塞爾曲線、NURBS）雖然能夠保證翼型幾何的連案例詳述：FuncGenFoil將翼型建模為連續(xù)函數(shù)形式，通過神經(jīng)算子構(gòu)建具AFBench數(shù)據(jù)集上的實驗表明，該方法相比現(xiàn)有先進(jìn)方法降低了74.4%的設(shè)計誤差，設(shè)計多樣性相對提升了23.2%FuncGenFoil通過神經(jīng)算子將翼型表征為連續(xù)函數(shù)形式，彌合參12。其關(guān)鍵創(chuàng)新包括：基于神經(jīng)算子（FNO）來源：上海人工智能創(chuàng)新中心、中國商飛上海飛機(jī)設(shè)計研究院圖12FuncGenFoil算法框架組建與功能示例FuncGenFoil以神經(jīng)算子為骨干神經(jīng)網(wǎng)絡(luò)，采用連續(xù)時間生成模算子反向求解ODE重構(gòu)翼型。翼型參數(shù)化通過角度參數(shù)編碼翼型的13。訓(xùn)練過程使用流匹配算法進(jìn)行過程隱碼出發(fā)求解ODE（MAP）來源：上海人工智能創(chuàng)新中心、中國商飛上海飛機(jī)設(shè)計研究院圖13FuncGenFoil算法框架操作界面示例在AF-200K74.4%，216*1^2.75*10^{-7}10~5049.1*10^{-3}）（L/D）創(chuàng)新情況：FuncGenFoil結(jié)合了前沿AIAIODE生成翼型，生成具有光滑性和無限分AIFuncGenFoilAI統(tǒng)設(shè)計流程。通過生成任意分辨率的翼型，無縫對接CAD/CAM系A(chǔ)I協(xié)同優(yōu)化設(shè)計，結(jié)合領(lǐng)域知識與生成模型CFD50%，大幅降低算力成本；該框3D/證（如光滑度達(dá)標(biāo)），避免缺陷設(shè)計；作為首款函數(shù)空間模型，F(xiàn)uncGenFoil開啟了連續(xù)、任意分辨率的翼型生成范式，為氣動設(shè)計應(yīng)用實效：FuncGenFoil模型自部署以來，已在實際工程場景中實現(xiàn)成功應(yīng)用FuncGenFoil已在中國商飛上海飛機(jī)設(shè)計研究院二維翼型氣動總FuncGenFoil顯著縮短了翼型設(shè)計的迭代周期。以往需要數(shù)月完2500反復(fù)修改模型以適配不同制造精度要求，極大降低了人工后處理和CAD/CAMCFD50%，（三）輕工業(yè)案例名稱：2.案例實施單位：廣東某風(fēng)扇研制企業(yè)面臨產(chǎn)品性能升級需求，希望在相同轉(zhuǎn)速下5%。傳統(tǒng)設(shè)計依賴工程師經(jīng)驗，需經(jīng)歷參數(shù)調(diào)整、4AI與工業(yè)軟件融合的技術(shù)優(yōu)勢，為其提供智能化案例詳述：AIPOD，對7天花板距離等）26120%，遠(yuǎn)超客戶預(yù)期。AIPOD還分析出“天花板距離”是影響風(fēng)量的核心因素，驗證了AI技術(shù)在復(fù)天洑軟件以“AI驅(qū)動工業(yè)設(shè)計革命”為核心理念，通過將人工--多目-AI+AIPOD是天洑軟件自主研發(fā)的工業(yè)級智能優(yōu)化平臺，核心功能14。多學(xué)科優(yōu)化算法集成遺傳算法、粒子群算法、神經(jīng)網(wǎng)絡(luò)等AI技術(shù)，支持多目標(biāo)、多約束優(yōu)化。參數(shù)化建模（、--3D來源：南京天洑軟件有限公司圖14AIPOD智能優(yōu)化平臺技術(shù)實施方案包括參數(shù)化建模與變量定義、智能優(yōu)化流程。715，包括設(shè)計變量有天花板距離、來源：南京天洑軟件有限公司圖15風(fēng)扇優(yōu)化中的關(guān)鍵設(shè)計變量AIPOD智能優(yōu)化流程通過算法驅(qū)動與自動化工具實現(xiàn)高效設(shè)計70%3-516CADCAE工具鏈（如ANSYSAIAgent進(jìn)行智能采樣，生成初始訓(xùn)練數(shù)據(jù)集，構(gòu)建高RBFPareto如NSGA3、SilverBullet）（ParetoCAD來源：南京天洑軟件有限公司圖16風(fēng)扇設(shè)計優(yōu)化前后對比關(guān)鍵指標(biāo)參數(shù)如表1。表1AIPOD風(fēng)扇優(yōu)化設(shè)計前后指標(biāo)對比指標(biāo)優(yōu)化前優(yōu)化后提升幅度風(fēng)量（m3/h）5,0006,000+20研發(fā)周期（天）1202-98仿真計算成本（萬元）153-80參數(shù)敏感性分析精度依賴經(jīng)驗±5誤差——跨學(xué)科知識復(fù)用率070——創(chuàng)新情況：

來源：南京天洑軟件有限公司洑軟（風(fēng)2天內(nèi)6120%，參數(shù)敏感性分析誤差控5%智能仿真與算力優(yōu)化。仿真加速技術(shù)方面，通過GPU并行計算CFD82小時，支撐全流程自動化迭代。閉環(huán)自動化方面，實現(xiàn)“參數(shù)化建?！鶤I優(yōu)化98%。工業(yè)AI底座與價值對齊。平臺化能力方面，AIPOD內(nèi)置工業(yè)AI底座，支持跨行業(yè)場景快速遷移。風(fēng)扇案例中的參數(shù)化建模與優(yōu)化邏輯，已復(fù)用至船舶減阻（3%）、新能源汽車熱管理等AIPOD20%，80%5倍。（（如20-企業(yè)實踐-技術(shù)轉(zhuǎn)化”閉環(huán)。高校課程開設(shè)，科研機(jī)構(gòu)合作：與江蘇天洑軟件將AI+仿真能力延伸至新能源汽車電耗分析。通過分析2000應(yīng)用實效：300+制造企業(yè)，包70%AIPOD425%AI+廣東風(fēng)扇企業(yè)通過AIPOD20%80%。-性直接經(jīng)濟(jì)效益方面，廣東某風(fēng)扇研制企業(yè)縮短研發(fā)周期、無需20%，銷售額提升百萬元。某散貨船企業(yè)應(yīng)用AIPOD5%。（四）汽車工業(yè)案例名稱：代理模型在輪胎設(shè)計仿真中的應(yīng)用及仿真自動化案例實施單位：3.案例背景：隨著業(yè)務(wù)水平的提升，傳統(tǒng)輪胎設(shè)計仿真面臨幾個困境，參數(shù)化案例詳述：耗時冗長的有限元分析來獲取印痕圖特征數(shù)據(jù)。單次仿真通常需要4-6小時的計算時間，而完整的設(shè)計迭代往往需要進(jìn)行數(shù)十次這樣的仿真。更關(guān)鍵的是，設(shè)計參數(shù)（如胎冠中心?。≧1）、胎冠總弧高L1/L2、中心長軸L0和F值HyperMesh的腳本開發(fā)，大幅提升了網(wǎng)格劃分的整體效112.51.560%。同時--數(shù)值回歸將三個設(shè)計參數(shù)和性能指標(biāo)構(gòu)建了基于采用徑向基函數(shù)（RBF）SVR回歸模型，并通過自動化流程完成了調(diào)參等復(fù)雜工52%17。圖17數(shù)值回歸驗證結(jié)果

來源：中化信息技術(shù)有限公司+-3（是由于仿真流程上生成印痕圖會使用某一壓應(yīng)力閾值對所形成的的用直接從設(shè)計參數(shù)生成印痕圖的端到端的模型構(gòu)建方法，而是通過XGBOOST算法構(gòu)建了以原始點云+設(shè)計參數(shù)參數(shù)為輸入，以變形后18。來源：中化信息技術(shù)有限公司圖18參數(shù)-數(shù)值回歸和參數(shù)+點云-點云重建對于變形后點云的預(yù)測，在測試數(shù)據(jù)上表現(xiàn)良好，R2指標(biāo)均接近于1（大于0.9999）。相對的對于壓應(yīng)力的預(yù)測相對表現(xiàn)較差R2=0.998。結(jié)果顯示于圖19。注：a，b,c：變形后坐標(biāo)(X,Y,Z)的預(yù)測值和仿真值；d：壓應(yīng)力預(yù)測值和仿真值。圖19預(yù)測仿真對比

來源：中化信息技術(shù)有限公司可視化對比結(jié)果顯示于圖20。這種創(chuàng)新的建模方法既保留了參數(shù)化設(shè)來源：中化信息技術(shù)有限公司圖20CAE仿真結(jié)果數(shù)據(jù)與代理模型預(yù)測結(jié)果效率提升方面單次預(yù)測時間小于2秒以內(nèi)，較傳統(tǒng)仿真方法提速9000倍。大幅降低了計算資源消耗降低了。這些突破性的改進(jìn)使（）創(chuàng)新情況：數(shù)據(jù)層面，傳統(tǒng)仿真流程高度依賴人工操作，網(wǎng)格劃分和參數(shù)調(diào)HyperMesh腳本自動化開發(fā)，將網(wǎng)格前處理11模型架構(gòu)層面，案例創(chuàng)新性地提出雙模態(tài)預(yù)測體系。一是參數(shù)-數(shù)值回歸模型，基于徑向基函數(shù)（RBF）的SVR模型，精準(zhǔn)預(yù)測5項關(guān)鍵印痕指標(biāo)（如L1/L2、L0、F值），誤差控制在2%以內(nèi)。二是參數(shù)+點云-點云預(yù)測模型：采用XGBOOST算法構(gòu)建雙輸入架構(gòu)，結(jié)合設(shè)計參數(shù)（R1、H、W）和原始點云數(shù)據(jù)，實現(xiàn)變形后點云坐標(biāo)及應(yīng)力分布的同步預(yù)測。測試顯示，變形預(yù)測R2>0.9999，應(yīng)力預(yù)測R2=0.998，精度遠(yuǎn)超傳統(tǒng)方法?！啊彼懔用?，代理模型將單次預(yù)測時間從4-6小時縮短至2秒，效9000倍，使得多目標(biāo)優(yōu)化和容差性能分析（如參數(shù)公差對性（→仿真）“仿真-預(yù)測-優(yōu)化”全流程智能解決方案，實現(xiàn)設(shè)計范式和服務(wù)模式兩模式升級，通過標(biāo)準(zhǔn)化，將高門檻的仿真技術(shù)轉(zhuǎn)化為“仿真即服務(wù)GUI（應(yīng)用實效HyperMesh軟件的腳本開發(fā)，實現(xiàn)了胎面網(wǎng)格112.51.560%8代理模型的應(yīng)用是本案例的核心技術(shù)突破。研究團(tuán)隊構(gòu)建了基于（SVR）胎冠總弧高和行駛面寬三個關(guān)鍵設(shè)計參數(shù)與五項印痕性能指標(biāo)建立映射關(guān)系。通過自動化調(diào)參流程，模型的預(yù)測誤差控制在2%以內(nèi)。4-629000倍，同時大幅降低了計算資源消耗。這一突破使得多""的-AI-CAECAE（五）工程建筑案例名稱：ChatCAD生成式輔助工業(yè)設(shè)計案例實施單位：創(chuàng)新奇智科技集團(tuán)股份有限公司案例背景：CAD入工業(yè)設(shè)計領(lǐng)域，推出“ChatCAD生成式輔助工業(yè)設(shè)計”。通過簡案例詳述：D的一個重要應(yīng)用方向是IingandIsrentiara，量的PIDPDF格式的啞圖形式保存